MLAMLソリューションの監視、メンテナンス、セキュリティ
製薬会社のMLプラットフォームチームが、新薬候補スクリーニングモデルをSageMaker Pipelinesで開発・運用しています。規制当局の要件として「本番モデルがどのデータセット・前処理コード・ハイパーパラメータから生成されたかを完全に追跡・再現できること」が求められています。追加実装を最小限に抑えながらこの要件を満たす、最も適切な方法はどれですか？
AAWS CloudTrailで全SageMaker API呼び出しを記録してS3に保存し、Athenaでクエリすることで各モデルアーティファクトの生成に使用されたパラメータと入力データの対応関係を後から再構築する
CloudTrail はAPI操作の監査ログであり、エンティティ間のリネージを構造化して記録する機能はありません。ログから系譜を再構築するには大きな実装工数が必要で、追加実装最小化の要件に反します。
BSageMaker ML Lineage Trackingを活用する。SageMaker PipelinesはArtifact・Execution・Associationなどのリネージエンティティを自動で記録するため、入力データ・コード・モデルの系譜を追加コードなしでエンドツーエンドに保存できる
✓ 正解
SageMaker ML Lineage Tracking は SageMaker Pipelines と統合されており、パイプライン実行ごとに Artifact・Execution・Association を自動記録します。追加コードなしでエンドツーエンドのモデル系譜が保存され、規制要件の追跡可能性を最小限の実装で満たせます。
CSageMaker Experimentsに各実行のパラメータ・メトリクス・アーティファクトのS3パスを手動でタグ付けして記録し、実験IDとモデルアーティファクトの対応を社内ドキュメントで管理する
SageMaker Experiments への手動タグ付けは人的ミスや記録漏れのリスクがあり、規制要件で求められる完全な追跡可能性を保証できません。自動記録の仕組みが必要です。
DAWS Step FunctionsでML Pipelineを再実装し、各パイプラインステップの入出力をDynamoDBに記録するカスタムロギングレイヤーを追加してモデルと入力データの対応関係を管理する
Step Functions とカスタム DynamoDB ロギングは独自システムの構築・保守が必要であり、SageMaker Lineage Tracking を活用する場合と比較して実装コストが大幅に増大します。追加実装最小化の要件に反します。
解説
SageMaker ML Lineage Tracking は、モデルの生成に関わるエンティティ（データセット、コード、Training Job、モデルアーティファクト、エンドポイント）とその関係を自動的に記録する機能です。SageMaker Pipelines を使用すると、パイプライン実行ごとに Artifact（S3 URI）、Execution（実行記録）、Association（エンティティ間の関係）が自動で作成・記録されます。追加のコードや設定なしにエンドツーエンドのリネージが保存されるため、「どのデータからどのモデルが生成されたか」を完全に追跡できます。
選択肢AのCloudTrailはAPIレベルの監査ログであり、モデルアーティファクトと入力データセットの系譜をリネージとして構造化・クエリする機能はなく、再構築に大きな実装工数がかかります。
選択肢CのSageMaker Experimentsは手動でのメタデータ記録が必要で、記録漏れや人的ミスのリスクがあり、規制要件の「完全な追跡可能性」を確実に保証しにくいです。
選択肢DのStep Functionsとカスタムロギングは独自のリネージ管理システムを一から構築することになり、実装・保守コストが大幅に増大します。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →